现在打开任何招聘App搜“AI”相关岗位，你会发现一个特别魔幻的现象：一边是铺天盖地的“大模型算法工程师年薪百万”帖子，一边是无数零基础的人连“我应该学NLP还是学Agent”都还没搞清楚。说实话，这几年被问得最多的就是两个问题：一是“我想转行搞AI，到底该从哪学”，二是“学完之后，哪条赛道能拿高薪、能持续吃红利”。
放到三年前，我大概率也给不出靠谱答案，因为那时候AI岗位就一个笼统的“算法工程师”，进去之后做什么全看团队安排。但到今天，AI行业的岗位版图已经非常清楚了，零基础入局者面临的核心选择，基本上可以归纳为五条相对成熟的赛道——大模型算法、AI智能体与AI应用开发、AI基础设施与模型部署、AI编程效能工具、AIGC视觉内容生成（包括AI绘画、AI视频和AI短剧漫剧）。这篇文章我就把这五条赛道从零到一拆开讲清楚，包括每个方向到底是做什么的、核心技能长什么样、零基础怎么切入、薪资天花板在哪，以及最关键的：到底什么样的人适合哪条路。
1. 五大AI核心赛道全貌：先看清牌桌再落座
1.1 五条赛道分别对应什么岗位
现在市面上的AI岗位不断细化，早在两三年前，一个笼统的“算法工程师”岗位就越来越少了。我按当前招聘市场上最活跃的JD（职位描述）来归一下类，基本是下面这五条线。
- 大模型算法工程师：核心工作是预训练、后训练、指令微调、对齐、评测。大厂里还会细分出预训练组、SFT组、RLHF/RLVR组、数据组、评测组等。这个方向对理论功底和工程能力要求都最高，也是新闻里经常出现“年薪百万”的那个方向。
- AI智能体应用开发工程师：核心工作是搭Agent，搞RAG（检索增强生成），设计提示词和工具调用流程，做AI应用产品。这个方向离业务最近，会用各种大模型API，用LangChain、LangGraph、Spring AI这类框架，或者直接调原生接口。AI产品经理往往也在这个圈层里。
- AI基础设施工程师（AI Infra）：核心工作是模型部署、推理加速、GPU集群管理、算力优化。典型工具是vLLM、TensorRT-LLM、Ray、Kubernetes、CUDA。这个岗位不直接做算法，但算法模型能不能跑起来、跑得快不快、成本低不低，全看这个岗位的功力。
- AI编程效能工程师（AI Coding）：核心工作是做AI代码补全助手、代码生成工具、编码Agent，也包括给企业落地内部的AI编程工作流。像目前主流的AI IDE插件和各类Code Agent产品背后的研发团队，都属于这个方向。
- AIGC视觉内容生成工程师：核心工作是做AI绘画、AI视频生成、AI短剧/漫剧的整套生产流程，用Stable Diffusion、ComfyUI、可灵、即梦、Midjourney这类工具，训练LoRA，搭建生图生视频工作流，甚至从脚本到成片全流程自动化。这个方向最适合有设计、编剧、短视频运营基础的人，不一定要写繁重的代码。
1.2 五条赛道的热度、门槛和薪资对比
这部分我直接给一个对比表格，是我根据近两年招聘市场、开源社区活跃度以及和同行交流得到的综合感受，不代表官方数据，但可以参考。
| 赛道 | 市场需求热度 | 技术门槛 | 0基础学习难度 | 薪资区间（一线城市） | 学历/背景要求 |
|---|---|---|---|---|---|
| 大模型算法 | 高但卷 | 极高 | 极大 | 30k-100k+ | 硕博为主，本科强背景也可 |
| AI应用/Agent开发 | 非常高 | 中等 | 中等 | 20k-50k | 本科即可，重项目经验 |
| AI Infra/部署 | 高 | 较高 | 较大 | 25k-60k | 本科即可，重工程能力 |
| AI Coding工具 | 中高 | 高 | 较大 | 25k-60k | 本科即可，重编码功底 |
| AIGC视觉内容 | 非常高 | 较低 | 低-中等 | 10k-40k（含自由职业） | 不限学历，重作品集 |
这个表看下来，你可能会发现一个有意思的规律：技术门槛越高的方向，学历要求往往也越高；而需求量大、门槛相对友好的方向，比如AI应用开发和AIGC内容生成，反而是零基础转行性价比最高的两条路。注意，我这里是说“门槛相对友好”，不代表没有门槛，也不代表不需要认真学技术，后面会详细说。
1.3 为什么现在可以按这五条赛道来规划
很多人问我，为什么不去学传统的“机器学习”或“深度学习”？我的观点是：这两个东西当然要学，但它们已经变成了“公共基础课”，而不是就业赛道本身。你去看招聘JD，几乎不会看到“机器学习工程师”这种宽泛岗位了，取而代之的是大模型方向、Agent方向、部署方向这类具体描述。
背后的逻辑是，AI行业已经进入了“大模型底座+上层应用”的成熟分工阶段。底座模型由头部公司和开源社区搞定，绝大多数从业者不会从零训练一个GPT，而是站在已有模型之上做微调、做应用、做部署、做工具、做内容。五条赛道就是在这个分工体系里生长出来的，每一层都有自己的知识体系、工具栈和职业发展路径。如果你想入行，先想清楚自己想在哪一层干活，比盲目刷教程重要一百倍。
2. 赛道详细拆解：每个方向到底在做什么
2.1 大模型算法工程师：硬核但别被高薪宣传冲昏头
别被“年薪百万”的宣传冲昏头脑。这条赛道真实的情况是：岗位数量少、学历门槛高、竞争极其惨烈，能拿到百万级别的人确实有，但大概率是名校博士+顶会论文+大厂核心组，这条路对零基础来说是最长的，我通常不建议一上来就冲这个方向，除非你本身数学和编程底子极好，且有读研读博的打算。
这个方向日常会做什么？简单来说，大模型算法工程师的工作围绕“让模型更聪明”展开。预训练阶段要研究数据配比、tokenizer设计、loss收敛；后训练阶段要做SFT（监督微调）、偏好对齐、强化学习；还要做模型评测、数据清洗、bad case分析。工具栈主要是Python、PyTorch、DeepSpeed、Megatron-LM、HuggingFace生态，平台大概率是几卡到几千卡的GPU集群。
如果你真要选这条赛道，零基础起步的学习顺序大概是：Python打底 → 线性代数、概率论两本核心数学 → 机器学习基础（李航《统计学习方法》或者吴恩达的课都行） → 深度学习基础（反向传播、CNN、RNN、Transformer） → 动手把Transformer代码自己写一遍 → 然后去接触大模型开源项目，比如LLaMA系列、Qwen系列的训练脚本和微调代码。一步步走下来，快则一年半，慢则三年，能跑到一个比较有竞争力的水平就算非常快了。
2.2 AI智能体应用开发：零基础转行的性价比之选
如果让我给零基础想转AI的人推荐一个最务实的切口，大概率是AI Agent应用开发这条线。原因有两点：第一，市场需求量大，不只是大厂，很多传统企业、中小创业公司都在做AI应用落地，岗位数量远多于纯算法岗；第二，门槛相对友好，不需要啃完大部头数学教材，核心考核的是你用大模型解决问题的能力。
那到底什么是Agent应用开发？我举一个真实例子：某电商公司想让客服系统自动处理退货退款，这不是让大模型直接答几句话那么简单。你需要做一套流程：用户表达退货意愿 → 大模型识别意图 → 判断是否符合退货政策 → 调用订单系统API查询订单状态 → 生成退货单 → 给用户一个明确回复。整个链路里大模型只负责“理解和决策”的部分，其他要靠工程手段去对接业务系统。这就是Agent最典型的应用，网上说的AI编程提示词、RAG知识库问答、Function Calling工具调用，本质都是这套东西。
学这条赛道，技术栈包括：Python（或Java）、大模型API调用、LangChain/LangGraph/Spring AI这类Agent框架、向量数据库、常见的Prompt工程技巧，以及基础的Web服务开发能力。很多成熟的Agent项目使用Spring AI（Java生态）来搭建企业级应用，之所以在企业级场景中这么流行，是因为Java团队现有服务可以平滑接入AI能力，不用推翻重来。所以如果你本身就是Java后端工程师想转型，留意一下Spring AI的生态，实际上手会比从零学Python圈子更快。零基础的话，建议还是先把Python基础打牢，因为绝大多数Agent示例代码和开源项目都基于Python。
2.3 AI基础设施与推理部署：闷声发大财的技术活儿
这条赛道在大众视野里存在感很低，所以我管它叫“闷声发大财”。模型训练出来了，总得有人把它扔到服务器上给用户用吧？总得有人去解决“并发一上来GPU显存就爆了”的问题，总得有人去优化推理速度让成本降到原来的十分之一吧？这些就是AI Infra工程师干的事。
我见过不少做这个方向的朋友，日常工作基本围绕这么几个场景：把大模型服务化部署到Kubernetes集群，用vLLM做推理加速，用TensorRT-LLM做GPU算子优化，排查显存泄漏和GPU利用率低下的问题，优化模型量化策略（比如把FP16量化成INT8或INT4来省钱），还要做自动扩缩容、监控告警、多模型调度。这个方向要求对Linux系统、网络、存储、GPU架构都比较熟，Python和C++至少会一个。
零基础想走这条赛道，路径很清晰：先把计算机基础知识打扎实，操作系统、计算机网络、数据结构，这是硬功夫；然后学Docker和Kubernetes，这是现代服务器端应用的基本功；再掌握Python和常见的深度学习推理框架；最后通过“把一个大模型部署成可对外服务的API”这个完整项目来串联所有知识。这条赛道不需要像大模型算法那样拼论文，更重要的是动手能力和故障排查经验，对转行者来说是一条硬核但务实的好路。
2.4 AI编程效能与AI Coding工具：程序员效率革命背后的工程师
这两年AI编程工具火爆到什么程度，写过代码的人应该都有体感。GitHub Copilot、各类AI代码补全插件、能自动修复bug的Code Agent，甚至企业内部AI编程助手，背后都有一批专门做AI Coding工具研发的工程师。他们的工作包括：微调代码模型、设计上下文工程（怎么把用户当前项目代码喂给模型让它更懂你的代码风格）、做代码评测集（用一套标准测试题衡量模型写得好不好）等等。
这个赛道有个非常重要的特点：从业者必须先是非常熟练的传统程序员，然后才谈得上做AI编程工具。因为如果你自己代码都没写过多少，你是无法判断AI生成的代码是好是坏的，更不可能去设计评测指标和研究代码语义理解。所以我的建议是：如果你已经是一名程序员，想升级自己，这个方向很值得关注；如果完全零基础，建议先学做传统的Web开发或后端开发，一年进入工作状态之后再来切AI Coding赛道，会比从零直接扎进去更顺。
市面上不少人会混淆“用AI写代码”和“做AI编程工具”这两件事。前者是你作为用户使用GitHub Copilot这类产品提升自己的开发效率，这是所有程序员都应该掌握的新技能；后者是去研发这类产品本身，这是AI Coding训练的独立赛道。你要是零基础，先把前者用熟就很牛了——把AI编程当辅助工具，自己的项目进度会快很多，实际上这也是学习和积累作品集的有效方式。
2.5 AIGC视觉内容与AI视频短剧：门槛最低但最拼创意的赛道
最后这条赛道非常有意思，它是五条赛道里最不“程序员”的一条。核心是靠Stable Diffusion、ComfyUI、Midjourney、可灵、即梦这些工具做图做视频，然后结合设计、剪辑、编剧能力做出成品内容。热门关键词里那个AI短剧、AI漫剧基本都属于这一类。
AIGC内容方向的工作方式，和前面四条有本质区别。它更像设计师或导演的工作，而不是传统意义上的软件工程师。比如AI漫剧制作，你可能需要先用GPT类工具写出分集剧本，然后拆解出角色设定和场景描述，再用AI绘图工具生成角色一致性很强的画面，最后用视频生成工具让静态图动起来，配合配音、字幕、BGM输出成品。完整的制作流程现在已经非常成熟，网上各种AI短剧制作教程满天飞，但真正做得好的人拼的不是工具熟练度，而是内容叙事能力、审美水平和商业化嗅觉。
零基础想入这条赛道，可以直接从ComfyUI开始学。我的建议是别一上来就疯狂下载各种大模型和工作流，先把一个工作流吃透，比如先跑通“文生图”全流程，再搞懂LoRA训练，再尝试图生视频、文生视频。学习过程中你很快会发现，真正让你值钱的不是会点鼠标，而是你脑子里有没有画面感、懂不懂用户想看什么。入门时门槛最低，但要做到能在市场上持续拿单或者找到对口工作，考察的其实是“创意能力+执行力”这个综合模型。
2.6 五个方向横向对比：知识体系差异在哪
上面分别说了五条赛道，我从学习知识的角度再做一个横向对比，方便你理解它们之间的关系。大模型算法拼的是数学和深度学习的底层理解力；AI应用开发拼的是业务理解力和系统集成能力；AI基础设施拼的是计算机工科功底；AI编程工具拼的是传统编程能力和对代码的深度理解；AIGC内容生成拼的是创意审美和内容生产流程设计能力。五条赛道共同需要的核心基础只有两个，Python编程和AI基础概念（知道什么是模型、训练、推理、微调）。其余的知识培养路径，几乎是分叉的。
所以零基础同学完全可以先学两个月的Python和AI基础概念，在确定自己更倾向哪条路之后，再进入细分领域的深入学习。不要一上来就想“我会不会选错”，先学共同的底子，你会有更清晰的方向感。
3. 零基础到入门：一条比较稳的通用学习路线
3.1 公共基础阶段：Python与AI基础概念
不管最终选哪条赛道，我强烈建议你先花2到3个月把下面这些公共基础学一遍，它们就像盖房子的地基，每一层之后都会用到。
- Python基础语法：变量、循环、条件、函数、文件读写、类，不求精通，但要求能读懂常见项目源码，能写小工具脚本。推荐廖雪峰Python教程、菜鸟教程，配合刷题网站上手。
- Python数据处理：NumPy、Pandas这两个库做简单的数据操作，因为AI领域几乎所有开源代码都用它们。
- AI核心概念：什么是机器学习、什么是深度学习、什么是大模型、什么是微调、什么是RAG、什么是Agent。不用一开始就理解到数学层面，但脑子里要建立一个宏观图景。
- 常用工具：Git、命令行、Jupyter Notebook、HuggingFace平台的使用方式。
打基础的阶段最怕两件事：一是学得太深，比如死磕数学推导导致心态崩了；二是学得太杂，今天看机器学习、明天看Agent、后天又去看视频生成，最后什么都没学透。正确的心态是：快速扫地基，然后尽早进入一个细分方向。
3.2 五条赛道分别需要重点掌握的学习内容
为了更直观地指导零基础的同学，我把五条赛道在公共基础之后的学习重点整理成一张表，你可以根据自己的兴趣去选择后续深入学习的方向。
| 赛道 | 核心学习主题 | 关键工具/技术 | 建议的里程碑项目 |
|---|---|---|---|
| 大模型算法 | 深度学习、Transformer、预训练/微调、对齐、分布式训练 | PyTorch、DeepSpeed、HuggingFace | 微调一个开源大模型完成特定任务 |
| AI应用/Agent开发 | Prompt工程、RAG、Function Calling、Agent框架 | LangChain、LangGraph、Spring AI、向量数据库 | 做一个完整的企业知识库问答系统 |
| AI Infra/部署 | 模型部署、推理加速、容器化、GPU优化 | Docker、K8s、vLLM、TensorRT-LLM | 部署一个大模型API并支持并发访问 |
| AI Coding工具 | 代码补全模型、上下文工程、代码评测 | 各类CodeLLM、IDE插件开发 | 做一个私有代码知识库问答插件 |
| AIGC内容生成 | 提示词技术、ComfyUI工作流、LoRA训练、视频生成 | Stable Diffusion、ComfyUI、可灵/即梦 | 完成一部AI短剧或一套风格统一的AI插画集 |
表格最后一列是重点，因为面试官和雇主最关心的就是你手里有没有项目。尤其对于非科班、零基础起步的人，一个能直接演示的项目，比简历上罗列一堆教程名称有说服力得多。
3.3 一年学习时间规划的参考节奏
零基础到入行，按照每天投入2到3小时计算，比较现实的时间线是这样的。前两个月打Python和AI基础，完成“能看懂代码、能改编代码”的目标。第三到六个月，选定一个赛道进入专项学习，把该赛道的核心工具用熟，同时做一个小项目。第七到九个月，做一个有完整度的中型项目，尽量贴近日后的求职方向，比如要做AI应用开发就把一个Agent做成能实际用的产品，要做AIGC就产出一套真实风格的作品集。第十到十二个月，打磨简历，梳理项目细节，准备面试，同时每天刷一些题目保持手感。
这个节奏谈不上轻松，但它是可行的。我见过不少零基础转行成功的人，共通特点不是天赋异禀，而是“选了一个方向死磕了一年，作品集拿得出手”。反过来，那些一年换四五个方向、每个都浅尝辄止的人，最后基本都还在原地踏步。
3.4 学习过程中最容易踩的五个坑
这里把我在社区里看了无数案例总结出来的坑列出来，提前说清楚。第一，过度钻研数学导致半途而废，零基础真的不需要先学三个月线性代数才碰模型，你需要的是先跑通项目，再回头补数学。第二，只会看视频教程，不动手敲代码，看十个小时的视频不如自己跑通一个小项目。第三，买昂贵的GPU/显卡才肯开始，学习阶段用免费云服务或低配置环境完全够用，别给自己找理由。第四，忽略英语阅读能力，最新的AI工具、最好的开源项目说明基本都是英文，阅读理解能力跟不上会很被动。第五，频繁追问“这个方向会不会过时”，然后三天两头换方向，行业确实在变，但核心原理和工程能力是越沉淀越值钱的东西。
4. 怎么判断哪个赛道适合你：决策框架
4.1 五个常见背景画像与合适的赛道
每个零基础的人起点不一样，适合的道路也应该不同。我按过去几年遇到的咨询者类型，整理了几个典型画像，你可以看看自己最像哪一种。
- 画像一：数学/物理/计算机专业在读或毕业生。本身逻辑能力比较强，学历门槛对你来说不存在问题，可以考虑往大模型算法方向或AI基础设施方向走，这两条赛道更吃技术深度，你的专业背景是加分项。
- 画像二：有几年工作经验的程序员（后端/前端/全栈）。你们的工程经验和业务理解是纯小白短期内补不出来的，最适合切AI Agent应用开发，或者进一步往AI Coding工具方向走。特别是会Java的，Spring AI这套企业级AI框架值得重点研究。
- 画像三：完全没有编程经验，但自学能力强的行政/销售/文科背景。硬转纯代码路线会比较痛苦，AIGC内容方向是更合理的选择，AI绘画、AI视频、AI短剧的制作流程对编程要求相对低，且非常依赖内容感和执行力。学熟练后既可以去公司做内容生产，也可以自己接单创业。
- 画像四：理工科背景但不想做太卷的算法岗。AI Infra是个被低估的方向，懂技术、不用拼论文，市场需求稳定，薪资也站得住。开发的经验越深，越能扎住脚跟。
- 画像五：想做AI产品、但不想做纯开发。走AI应用开发方向的同时，认真培养对业务的判断力和产品设计能力，往AI产品经理转型的路是通的。
4.2 决策时问自己四个问题
面对这么多方向，迷茫是正常的。我建议你安静下来，问自己四个问题。第一，我有没有足够的数学耐心？如果想到数学公式就很痛苦，趁早避开大模型算法，选应用开发或AIGC。第二，我遇到问题时的第一反应是“想明白原理”还是“先做个东西出来”？前者适合走算法和基础设施，后者适合做应用和内容。第三，我能接受多少学习周期？如果你希望三个月内就见到产出，AIGC和AI应用开发最合适；如果你愿意花两年磨一剑，再去考虑大模型算法这条硬核路线。第四，我目前的经济压力大吗？如果急需转行变现，先以就业和项目实战为目标，等到进入行业后再逐步拓展其他方向。
我给这个决策框架取名“技术深度×变现速度”矩阵。大模型算法和AI Infra在最右上角“技术深、变现慢”，AI应用开发和AI Coding在中间“技术中、变现中”，AIGC在左下角“技术浅、变现快”。你可以先想清楚自己当下到底更需要“稳扎稳打长期主义”还是“快速吃到行业红利”。
4.3 关于学历和背景的核心提醒
学历这道坎我不是很避讳，大模型算法方向确实存在“学历通胀”，好的团队普遍硕士起步。但不代表其他赛道都卡学历，AI应用开发、AIGC内容生产、甚至AI Infra都更看重实际技能和项目经验。我看到太多没有硕士学历的开发者凭借一份优秀的项目集拿到不错Offer，反而是部分名校背景但项目泛泛的人面试屡屡碰壁。这个行业的评价体系总体上是“能力导向”的，你的作品会替你说话。
4.4 零基础高频问题集中回答
结合过往的经验，我把零基础同学问得最多的问题集中回答一下。没有数学基础能不能学？能，但天花板有区分，做AIGC和应用开发影响不大，做算法和Infra后期必须补。不会编程能不能做AI？能做AIGC内容方向，不过要想可持续发展，学一些简单的Python很有帮助，哪怕是写脚本批量处理图片。要不要买高价显卡？学习阶段完全不用，云GPU按小时租就行，真要深入再考虑。选赛道要不要赶时髦？不要只看热搜词，要看自己学得开不开心、做不做得出东西，兴趣能支撑你度过最难的学习期。
5. 过来人的大实话：经验、教训与避坑指南
5.1 这些“高薪神话”听听就好
AI行业的薪资确实比传统IT行业高一些，但“年薪百万”绝对是幸存者偏差。打开招聘软件，大量AI应用开发岗位的起薪其实就是20k到35k之间，工作三五年后能做到50k以上已经是不错的水平。大模型算法岗薪资看起来吓人，但那种岗位往往要求你是千里挑一的选手，而且高压高强度的工作节奏也不是每个人都能承受。我说这些不是劝退，而是希望你带着更合理的预期去规划。高薪不是“选对赛道”自动掉下来的，而是在选对赛道之后，通过持续学习和项目积累换来的。
行业里还有一种值得警惕的风气，就是“卖铲子的焦虑放大器”。你会在很多地方看到“再不学AI就被淘汰”“某公司招聘AI岗位月薪10万”这类内容，它们大多是培训机构或自媒体在制造焦虑。真正的行业状态是：AI从炫技走向落地，企业需要的是能解决问题的人，而不是“背了一堆概念”的应试者。
5.2 零基础入门高薪就业的三条实操建议
第一，选一个方向，拿半年时间死磕到底。心猿意马是零基础转行最大的敌人，与其一年里把五条赛道都“了解”一遍，不如选定一条打到“能拿得出手”的程度。第二，全程公开记录你的学习过程。做项目时把过程写成系列文章或者短视频发到社交平台，这样做有几个帮助：逼着你把知识系统化、积累作品集、还有机会被潜在雇主或同行看到。我认识有两个靠分享AI学习笔记收获几万关注的网友，后来直接被企业找上门邀请加入。第三，尽早去蹭开源社区。把GitHub热门AI项目的issues翻出来，尝试给开源项目提代码、修文档，哪怕只是周末贡献几行代码，也是一种比闭门造车更高效的学习方式。
5.3 关于AI Agent、AI编程与大模型的一点前景判断
选赛道时看未来也很重要。我判断未来两三年，大模型会越来越像“水电一样的基础设施”，这意味着纯模型能力本身的竞争力会下降，真正值钱的是两层能力：一层是懂模型怎么被训练、怎么被调优；一层是懂模型怎么被嵌入到真实业务里去产生价值。AI Agent和AI编程工具正好踩在这两层的需求交叉点上。为什么热搜词里AI Agent、Spring AI、AI编程、AI短剧会这么密集地出现？因为它们都指向同一个事实——AI正在进入“应用大爆发”阶段。对零基础同学来说，这个阶段入场是有机会的，因为你不需要跟前面五年已经入场的算法专家去卷同一个岗位，你可以在应用层、内容层找到自己独特的位置。
5.4 别忽略“AI产品思维”的长期价值
最后说一个容易被零基础忽略的点，如果你做AI应用、AIGC内容，产品思维可能会成为你某个阶段继续向上的关键瓶颈。所谓产品思维，就是能想明白“我这个功能是给谁解决什么问题，别人为什么要用”。技术上你会做知识库问答很容易，但能不能设计出让用户觉得“这个AI助手真懂我”的交互细节，这是产品思维在起作用。
我的个人体会是，AI行业最稀缺的不是纯技术大牛，而是既懂技术、又能把技术和具体场景结合起来的复合型人。在五条赛道里，纯粹的算法岗和Infra岗会越来越中枢化，而AI应用开发、AI Coding工具研发、AIGC内容创作这三条路，恰恰是最容易沉淀“复合能力”的。你不需要一开始就想清楚十年后的自己，但你可以在当下的选择里，给自己留一个“既能深入技术，又能贴近业务”的位置。
不管最后选了哪条赛道，有一个做法长期有效，就是让自己持续产出可被别人看见的作品。作品永远是简历上最响亮的一段经历，AI行业发展再快，这个规律不会变。
